- 利用 Transformer 模型提取能源材料的薄膜结构
引入了一种名为 N-TRACE（Neutron-Transformer Reflectometry and Advanced Computation Engine）的神经网络模型，使用 transformer 架构进行中子反射测量数据分析， - 马尔可夫跳跃过程的基础推断模型
使用零样本推理的神经网络模型，能够从嘈杂且稀疏的观察中，推断出具有不同维度的马尔可夫跳跃过程，并且达到与针对目标数据集微调的最先进模型相媲美的性能。
- 一个对噪声鲁棒的多头注意力机制用于地层电阻率预测：频率感知 LSTM
提出了一种频率感知 LSTM (FAL) 的方法，该方法通过频率感知框架和时间反噪块来减少噪音干扰，提高从套管瞬变电磁测井曲线中预测地层电阻率的准确性和抗噪性。
- 基于机器学习的电力系统事态下可扩展和最优负荷摘牌
通过离线训练神经网络模型，我们提出了一种分散设计，用于在发生意外情况时自动构建最优负荷放电解决方案，以提高电力系统的韧性和应急响应能力。在 IEEE 118 节点系统和合成的德克萨斯 2000 节点系统上的数值研究表明，我们的可扩展负荷放电 - 通过机器人的交互学习语言和行动发展组成性和泛化能力
通过基于自由能原理的预测编码和主动推理框架，将视觉、本体感知和语言集成到一个受脑启发的神经网络模型中，通过多种模拟实验及机械臂的测试，研究表明，在增加任务组合的变异性时，对于学习未知的动词 - 名词组合的泛化能力得到了显著提升，这归因于语言 - CBGT-Net：面向流数据的鲁棒分类的神经构型
这篇论文描述了 CBGT-Net，这是一个受到哺乳动物大脑中的皮层 - 基底节 - 丘脑（CBGT）回路启发的神经网络模型。与传统的神经网络模型不同，该模型在观察到的数据流中学习在达到足够证据标准后产生输出。我们通过两个图像分类任务对该模型 - PAPERCLIP: 将天文观测与自然语言关联的多模型
我们提出了一种名为 PAPERCLIP 的方法，使用神经网络模型将望远镜拍摄的天文观测与自然语言进行关联，通过从预训练的对比语言 - 图像预训练（CLIP）模型微调成功的观测提案摘要和相应的下游观测，可选择使用大型语言模型（LLM）来进行摘 - 赫布规范 - 霍普菲尔德网络关联记忆的容量
文中介绍了一种基于赫布学习规则的神经网络模型，并研究了模式检索和容量特性，使用完全升级随机对偶理论得到精确的容量特性，并展示了快速升级收敛的结果。
- 面向智能电网负荷预测的隐私保护协作分割学习框架
基于分割学习的负载预测，利用智能电表数据进行训练，将深度神经网络模型分为两个部分，一部分用于每个电网站点的负载预测，另一部分用于服务提供商，从而解决了数据传输、隐私和安全等问题，并通过实验证明该模型在性能和泛化能力方面超越了集中式训练模型， - StiefelGen：将简单通用的方法应用于黎曼流形上的时间序列数据增强
本文提出了一种方法，通过使用 Stiefel 流形的矩阵微分几何，将时间序列信号放置在流形上，并在流形上平滑扰动，以同时解决数据增强、时间序列数据和神经网络模型方面的限制。
- ICLRPAC-FNO: 并行结构全组分傅里叶神经操作器用于低质量图像识别
提出了一种新的神经网络模型 PAC-FNO，它在频域中进行操作，能够处理不同分辨率的图像，并且通过与现有的图像识别模型结合，显著提高了不同分辨率图像的性能。
- 无人机热图中使用深度学习进行目标检测
本研究提出了一种神经网络模型，能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头，其中骨干网络基于 YOLOv5 结构，结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口 - 使用 BAM 进行图结构推断：引入双线性注意机制
统计学和机器学习中，检测数据集中的依赖关系是一个核心挑战。我们提出了一种新颖的神经网络模型，用于监督式图结构学习，即学习观测数据与其底层依赖结构之间的映射关系。通过利用结构方程模型和使用随机生成的多元切比雪夫多项式来模拟训练数据，我们的方法 - 药物靶标相互作用的大型数据集整理和基准
通过从多个公共数据源中创建和有效展示大规模数据集、基于不同有意义的策略将数据划分为训练、验证和测试集，并提供具体评估方案进行基准测试，本文提出了标准化已有数据资源的方法，并通过对现有神经网络模型的实验研究证明了其实用性和可行性。
- TNANet: 基于时间噪音感知的神经网络用于含噪生理数据的自杀意图预测
我们介绍了一种名为 TNANet 的新颖神经网络模型，该模型结合了先进的编码技术和置信度学习，用于分析噪声干扰的生理时间序列数据，并在自杀意向预测任务中实现了 63.33% 的预测准确率，表现优于现有模型。同时，我们进行了全面评估，证明 T - 双耳角度分离网络
我们提出了一个神经网络模型，可以使用两个麦克风在不同的角度区域将目标语音源与干扰源分离。该模型使用模拟的室内脉冲响应进行训练，无需收集真实的脉冲响应。通过依赖特定的角度区域和多个房间模拟，该模型利用一致的到达时间差（TDOA）线索，或者我们 - 带完全有向图的网络神经网络
该论文介绍了一种新的神经网络模型，通过将网络结构化为一个完整的有向图，为每个时间步骤处理连续数据，更加密切地模拟生物大脑。该模型通过在神经元连接中引入循环并消除其他网络层中常见的顺序性质，添加了额外的结构特性。此外，该模型具有连续的输入和输 - 基于神经 ODE 的高性价比 FPGA 实现的微型 Transformer 模型
使用神经 ODE 作为骨干架构，我们显著减少了混合模型的参数大小，并将提出的 FPGA 实现部署在资源有限的 FPGA 设备上，从而实现了 12.8 倍的加速和 9.21 倍的能量效率。
- 高效多域文本识别深度神经网络参数化及残差适配器
该研究介绍了一种新颖的神经网络模型，使用多任务学习来提高光学字符识别（OCR）的效率和泛化能力，并通过有效降低训练参数数量来保持高准确性，以适应新领域，提供领域特定性能改进而无需重新训练。该模型在开放数据集上经过严格评估，证实了其作为可扩展 - 稀疏感知中的场重构：可微传感器布置增强泛化能力
通过差分编程在神经网络模型的训练中利用传感器放置来改善场重建，我们的方法有潜力显著提高数据收集效率，实现更全面的区域覆盖，并减少传感器部署的冗余。